基于脂肪-肌肉参考强度比的新型MRI图像强度归一化方法提升脂肪瘤与肉瘤鉴别诊断的放射组学特征稳定性

《Heliyon》：Image-intensity normalization approaches on T1-weighted MRI images for lipomatous soft tissue tumors

本研究针对T1加权MRI图像强度变异影响脂肪瘤与不典型脂肪瘤样肿瘤/高分化脂肪肉瘤（ALT/WDLS）鉴别诊断准确性的难题，创新性提出基于脂肪-肌肉参考强度比（IFM）的归一化方法。通过对比四种归一化方法（IZ、INIV、IM、IFM）对107个放射组学特征稳定性的影响，发现IFM方法使稳定特征率提升至86.0%，显著优于传统Z-score标准化（26.2%）。基于支持向量机（SVM）构建的机器学习模型AUC达0.95（0.86-1），为脂肪源性肿瘤无创诊断提供了更可靠的影像学生物标志物。

　　

在软组织肿瘤的诊疗领域，脂肪源性肿瘤的鉴别诊断始终是临床面临的重大挑战。从常见的良性脂肪瘤到具有恶性潜能的非典型脂肪瘤样肿瘤（ALT）和高分化脂肪肉瘤（WDLS），虽然它们在组织学上有所关联，但治疗策略和预后却截然不同。传统上，穿刺活检是鉴别诊断的金标准，但这种方法具有侵入性，且存在取样误差的风险。更棘手的是，不同医疗机构使用的磁共振成像（MRI）扫描仪型号、场强和扫描参数存在差异，导致图像强度（Intensity）不一致，这种“同病异影”的现象严重干扰了基于影像的定量分析，特别是近年来兴起的放射组学（Radiomics）分析。放射组学旨在从医学图像中提取大量定量特征，以揭示人眼无法察觉的肿瘤异质性信息。然而，图像强度的变异就像是蒙在真实信号上的“面纱”，使得提取的特征不稳定，可靠性降低，最终影响基于这些特征构建的机器学习模型的泛化能力。

为了解决这一瓶颈问题，来自泰国玛希隆大学西里拉医院的研究团队在《Heliyon》上发表了他们的最新研究成果。他们聚焦于脂肪源性软组织肿瘤诊断中最基础的T1加权图像（T1WI），提出并系统评估了新的图像强度归一化方法，旨在消除设备和方法差异带来的干扰，提升放射组学特征的稳健性（Robustness），从而为开发更可靠的计算机辅助诊断工具铺平道路。

研究人员开展这项研究，主要依托几个关键的技术方法。首先，他们回顾性收集了2010至2020年间经病理证实的70例患者（40例肌内脂肪瘤，30例ALT/WDLS）的术前T1WI MRI数据。由两名观察者使用3D Slicer软件对所有肿瘤进行三维手动分割，并绘制脂肪和/或肌肉参考区域。核心创新点在于提出了四种图像强度归一化方法进行对比：传统的Z-score法（I_Z）、既往研究的脂肪参考法（I_NIV）、新提出的肌肉参考法（I_M）以及全新的脂肪-肌肉参考强度比法（I_FM）。随后，使用PyRadiomics库从归一化后的图像中提取了107个放射组学特征（包括14个形状特征、18个一阶统计特征和75个纹理特征）。特征稳健性通过组内相关系数（ICC）评估，ICC>0.75视为特征稳定。最后，利用Lasso（最小绝对收缩和选择算子）和松弛自适应Lasso进行特征选择，并采用支持向量机（SVM）构建分类模型，以曲线下面积（AUC）评价模型区分肌内脂肪瘤与ALT/WDLS的性能。

材料与方法

本研究采用回顾性设计，纳入70例经组织病理学证实为肌内脂肪瘤或ALT/WDLS的患者。所有患者均接受了术前MRI检查，T1WI序列参数存在一定范围变异。由两名观察者独立完成肿瘤及参考组织（脂肪、肌肉）的三维手动分割。研究重点对比了四种图像强度归一化方法：I_Z、I_NIV、I_M和I_FM。归一化后，使用PyRadiomics提取107个放射组学特征。通过计算ICC评估特征在观察者内和观察者间的一致性。采用Lasso类算法进行特征选择，并构建SVM分类模型，通过10折交叉验证和测试集评估模型性能，以AUC作为主要评价指标。

结果

3.1. 患者特征

队列分析显示，肌内脂肪瘤组女性居多（72.5%），而ALT/WDLS组男性居多（53.3%），差异具有统计学意义（P=0.03）。患者平均年龄为58.7岁，两组间年龄差异边缘显著（P=0.06）。大多数肿瘤位于大腿深部。

3.2. 不同归一化方法的图像强度变异

0.75被视为稳定特征。'>

归一化方法对特征稳定性的影响显著。如图4所示，方法I_FM在观察者间一致性中表现最佳，中位ICC达到0.92，且分布最为集中，表明该方法能有效抑制由不同观察者分割引入的变异。

3.3. 归一化方法在稳定特征率方面的性能

稳定特征率是衡量归一化方法性能的关键指标。如图5所示，方法I_FM（方法4）的稳定特征率高达86.0%，显著高于方法I_Z（26.2%）、方法I_NIV（74.8%）和方法I_M（49.5%）。这表明基于脂肪-肌肉参考强度比的归一化策略能最大限度地保留真实生物学信号，减少非病理性干扰。

3.4. 归一化方法在AUC方面的性能

机器学习归一化变量选择方法分类器AUC(95% CI)

模型 8方法 4, I_FM松弛自适应LassoSVM0.95(0.86-1)

模型性能验证了稳定特征的重要性。如表3所示，基于方法I_FM稳定特征构建的机器学习模型（模型8）取得了最高的AUC值0.95（95% CI：0.86-1），且置信区间最窄，表明其预测结果更精确、更稳定。虽然与其他方法相比，AUC的差异未达到统计学显著性，但I_FM方法在特征稳定性和模型判别力上均展现出优势趋势。

讨论与结论

本研究系统评估了四种T1WI图像强度归一化方法在脂肪源性软组织肿瘤放射组学分析中的表现。结果明确显示，新提出的基于脂肪-肌肉参考强度比的归一化方法（I_FM）在提高放射组学特征稳定性和机器学习模型鉴别性能方面均优于传统方法。其成功可能源于同时利用脂肪（高T1WI信号）和肌肉（中等T1WI信号）作为内参，更全面地校准了图像强度范围，从而更有效地抵消了不同MRI扫描仪和协议带来的技术变异。

这项研究的重要意义在于，它为解决多中心放射组学研究中的关键瓶颈——图像强度标准化——提供了一个简单而有效的解决方案。通过提升特征的可重复性，为未来构建泛化能力更强、可用于辅助临床决策的可靠模型奠定了坚实基础。尽管本研究存在样本量有限、仅分析T1WI序列、依赖手动分割等局限性，但其提出的I_FM归一化框架具有重要的推广价值。未来，在更大规模、多中心、多序列的验证研究中进一步评估该方法，并结合基因组学数据（如MDM2、CDK4扩增状态），将有望最终实现基于影像组学的脂肪源性肿瘤精准、无创诊断，优化临床诊疗路径。